基于元变换网络嵌入的少样本新标签图节点分类
机器学习
2020-10-23 v2 机器学习
摘要
我们研究具有少样本新标签的图节点分类问题，该问题具有两个显著特性：(1) 图中有新标签出现；(2) 新标签仅有少量代表节点用于训练分类器。该问题的研究具有指导意义，并对应于许多应用，例如在线社交网络中仅含少数用户的新建群体的推荐。为应对该问题，我们提出一种新颖的元变换网络嵌入框架（MetaTNE），其包含三个模块：(1) 一个结构模块根据图结构为每个节点提供潜在表示。(2) 一个元学习模块以元学习方式捕获图结构与节点标签之间的关系作为先验知识。此外，我们引入一个嵌入变换函数，以弥补直接使用元学习的不足。本质上，元学习得到的先验知识可用于促进少样本新标签的学习。(3) 一个优化模块采用一种简单而有效的调度策略，在图结构学习与元学习之间取得平衡来训练上述两个模块。在四个真实世界数据集上的实验表明，MetaTNE 相比最先进的方法带来了巨大提升。
引用
@article{arxiv.2007.02914,
title = {Node Classification on Graphs with Few-Shot Novel Labels via Meta Transformed Network Embedding},
author = {Lin Lan and Pinghui Wang and Xuefeng Du and Kaikai Song and Jing Tao and Xiaohong Guan},
journal= {arXiv preprint arXiv:2007.02914},
year = {2020}
}
备注
Accepted to NeurIPS 2020